(下)自动驾驶技术综述论文

长篇自动驾驶技术综述论文（下）

三维目标检测

基于其经济性、可用性和研究的广泛性（即三者的综合优势），几乎所有的算法都选择以相机作为其感知的主要手段。将相机应用于ADS系统时（亦即 ADS 系统中），除了之前提到的光照等条件外（即环境因素），还有一个问题是目标检测仅限于图像空间，并未考虑场景尺度信息的影响。而当处理如避障等动态驾驶任务时（亦即更高层次的应用需求），我们需要将三维空间映射到二维图像则难以获取完整的三维信息。实际上利用单个相机来估计深度也是可行[30]（但相比而言不够鲁棒），当然利用立体相机或者多摄像头组成的系统则更具稳定性与可靠性[30]。从二维向三维空间转换必然涉及解决复杂的图像匹配问题（而这一步骤对已经高度复杂的感知流程而言又增加了额外的高度计算负担）。

我们换个思路思考，在三维空间中进行目标检测是否可行？首先明确一点的是：3D雷达获取的数据具有三维特性，并且本质上解决了尺度问题。值得注意的是：该技术对光照条件较为鲁棒，并不易受到恶劣天气的影响。此外：该方法能够捕获场景表面的稀疏三维点云数据；这些点由于分布稀疏且缺乏连续性，在直接用于对象检测和分类时存在一定困难；而分割操作相对而言更为容易实现。传统的解决方案主要依赖于基于欧式距离的聚类（Euclidean clustering）或区域生长（region-growing）算法[31]来进行点云分割；为了提升方